Un modèle d'apprentissage automatique détecte des lags dans les noyaux galactiques actifs
Pour explorer le cœur des galaxies les plus énergétiques, les astronomes utilisent la cartographie 3D de réverbération. Cette technique analyse les déphasages temporels ou lags dans la lumière émise par les disques d'accrétion qui entourent les trous noirs supermassifs. Le futur Observatoire Vera Rubin générera des données massives pour cette tâche, mais pose également des défis significatifs qui nécessitent de nouveaux outils d'analyse 🕰️.
Les lags révèlent la structure cachée du disque
Les lags courts proviennent du temps que met la lumière à traverser le disque, ce qui permet d'mapper son extension radiale. D'autre part, les lags longs négatifs, plus subtils et complexes à détecter, sont liés au temps que met la matière à s'écouler vers l'intérieur, offrant des indices sur la structure verticale du disque. Détecter ces derniers avec des méthodes traditionnelles est très difficile, surtout avec des séries de données qui présentent des lacunes ou un signal faible.
Défis pour la nouvelle ère d'observation :- L'Observatoire Rubin observera des millions d'AGN, mais ses données auront des lacunes saisonnières.
- Le signal du lag long négatif est intrinsèquement faible et facile à masquer.
- Les méthodes d'analyse classiques ne s'adaptent pas bien pour traiter l'énorme volume de données attendu.
Il semble que même les trous noirs supermassifs puissent avoir un retard à répondre, bien que dans leur cas, il se mesure en jours-lumière.
Un transformateur révolutionne la détection
Pour surmonter ces barrières, un modèle d'apprentissage automatique basé sur l'architecture transformateur a été développé et entraîné. Ce modèle examine des courbes de lumière simulées qui imitent celles que produira Rubin, cherchant à identifier de manière automatique et robuste les deux types de lags.
Résultats qui font la différence :- Le modèle identifie la présence d'un lag long négatif avec 96 % d'exhaustivité et seulement 0,04 % de contamination.
- Il prédit la valeur du lag avec une précision de 98 %.
- Il surpasse largement les techniques établies : la fonction de corrélation croisée interpolée atteint 54 % de précision et javelin seulement un